中國(guó)夏季月際—季節(jié)平均降水動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型

范可 田寶強(qiáng) 戴海霞

1 中山大學(xué)大氣科學(xué)學(xué)院/南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室(珠海), 珠海 519082

2 中國(guó)科學(xué)院大氣物理研究所竺可楨—南森國(guó)際研究中心, 北京 100029

3 南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心, 南京 210044

4 國(guó)防科技大學(xué)氣象海洋學(xué)院, 長(zhǎng)沙 410073

1 引言

隨著極端天氣氣候事件造成的氣象災(zāi)害日益嚴(yán)重，對(duì)其科學(xué)預(yù)測(cè)是國(guó)際氣候預(yù)測(cè)研究面臨的挑戰(zhàn)。近些年，我國(guó)出現(xiàn)大幅度的月際間氣候異常，如冬季不同月份之間極端冷暖事件交替和轉(zhuǎn)折、夏季不同月份或不同階段極端干旱和洪澇交替和轉(zhuǎn)折等，造成嚴(yán)重氣象災(zāi)害，同時(shí)也影響季節(jié)尺度氣候預(yù)測(cè)準(zhǔn)確率。由于月際氣候異常往往被季節(jié)平均氣候掩蓋，因此亟需考慮月際尺度氣候異常，提升月際—季節(jié)尺度氣候預(yù)測(cè)。

國(guó)內(nèi)外氣候動(dòng)力模式對(duì)月際—季節(jié)尺度氣候預(yù)測(cè)效能仍需要提升。中國(guó)第二代月動(dòng)力延伸預(yù)測(cè)模式系統(tǒng)（DERF2.0）對(duì)中國(guó)月際氣溫的預(yù)測(cè)效能總體高于月際降水，但仍有待改進(jìn)（吳統(tǒng)文等, 2013;何慧根等, 2014）。美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心（NCEP）的第二代氣候預(yù)測(cè)系統(tǒng)（CFSv2）對(duì)中國(guó)夏季月際尺度降水的預(yù)測(cè)效能存在顯著月際和區(qū)域差異。如圖1 所示，1983～2022 年CFSv2 預(yù)測(cè)系統(tǒng)2 月起報(bào)的中國(guó)6 月降水距平百分率具有顯著預(yù)測(cè)效能的區(qū)域主要集中在長(zhǎng)江以南部分地區(qū)，CFSv2 預(yù)測(cè)的6 月降水距平百分率與觀測(cè)之間的時(shí)間相關(guān)系數(shù)（TCC）僅有6.3%（11/160）的站點(diǎn)通過(guò)95%置信水平的顯著性檢驗(yàn)；對(duì)7 月和8 月降水百分率預(yù)測(cè)TCC 通過(guò)95%置信水平的顯著性檢驗(yàn)的站點(diǎn)占比分別為4.4%（7/160）和2.5%（4/160）。但相對(duì)于降水距平百分率的預(yù)測(cè)，CFSv2 對(duì)中國(guó)夏季6、7、8 月降水年際增量（當(dāng)年降水量減去前一年降水量）預(yù)測(cè)準(zhǔn)確率略高，6～8 月逐月TCC 通過(guò)95%置信水平的站點(diǎn)占比分別為8.1%（13/160）、7.5%（12/160）和5.0%（8/160）。

圖1 1983～2022 年觀測(cè)與CFSv2（2 月起報(bào)）預(yù)測(cè)的（a、d）6 月、（b、e）7 月和（c，f）8 月降水距平百分率（PAP，第一行）、降水距平百分率年際增量（PAP-DYs，第二行）之間的時(shí)間相關(guān)系數(shù)（TCC），黑點(diǎn)表示TCC 通過(guò)95%置信水平顯著性檢驗(yàn)的站點(diǎn)。Fig.1 Time correlation coefficients (TCCs) of precipitation anomaly percentage (PAP, top line) and its interannual increments (DYs, bottom line is PAP-DYs) in (a, d) June, (b, e) July, and (c, f) August between observations and CFSv2 outputs released in February from 1983 to 2022.The black dots represent stations which TCCs reach 95% confidence level.

雖然大多數(shù)全球氣候模式AGCMs/OGCMs 對(duì)區(qū)域降水預(yù)測(cè)效能有限，但對(duì)一些大尺度環(huán)流和系統(tǒng)具有較好的預(yù)測(cè)效能。由此，通過(guò)統(tǒng)計(jì)降尺度方法將氣候模式的大尺度環(huán)流信息與區(qū)域降水建立統(tǒng)計(jì)降尺度模型，可有效提高區(qū)域尺度降水氣候預(yù)測(cè)（von Storch et al., 1993; Feddersen and Andersen,2005; Wang and Fan, 2009）。統(tǒng)計(jì)降尺度的方法被有效應(yīng)用于中國(guó)月際—季節(jié)尺度氣候預(yù)測(cè)（顧偉宗等, 2009; 魏鳳英和黃嘉佑, 2010; Martin et al., 2020），其中，基于大尺度環(huán)流和緩變的下墊面因子（如海溫、海冰等）發(fā)展的中國(guó)月際尺度統(tǒng)計(jì)降尺度模型在業(yè)務(wù)應(yīng)用中取得較好的預(yù)測(cè)效果（陳麗娟等,2003; Zhang and Yan, 2015; Su et al., 2019; Liu et al.,2021; Ma and Sun, 2021）。研究結(jié)果表明最優(yōu)子集回歸和隨機(jī)天氣發(fā)生器兩種統(tǒng)計(jì)降尺度方法（劉綠柳等, 2011）、基于歷史相似誤差訂正的相似—?jiǎng)恿υ码H尺度預(yù)測(cè)方法（李維京等, 2013）能夠提高中國(guó)月際尺度降水的預(yù)測(cè)準(zhǔn)確率。

此外，大多數(shù)氣候動(dòng)力模式預(yù)測(cè)效能主要在熱帶，對(duì)中高緯氣候預(yù)測(cè)效能總體較弱。如何將中高緯過(guò)程應(yīng)用到氣候預(yù)測(cè)中？一方面需要提高中高緯氣候可預(yù)測(cè)性，另一方面需要考慮將中高緯與熱帶過(guò)程結(jié)合應(yīng)用于氣候預(yù)測(cè)中。年際增量的氣候預(yù)測(cè)方法（Fan et al., 2008）將氣候量的年際增量（氣候量當(dāng)年值減去前一年值）作為預(yù)測(cè)對(duì)象，基于氣候量的年際增量變化規(guī)律進(jìn)行預(yù)測(cè)，可以有效放大氣候量和預(yù)測(cè)因子的信號(hào)包括中高緯系統(tǒng)，進(jìn)而提高氣候預(yù)測(cè)效能；此外，基于氣候預(yù)測(cè)量的年際變異機(jī)制，選取來(lái)自觀測(cè)信息的預(yù)測(cè)因子和來(lái)自較高預(yù)測(cè)效能動(dòng)力模式的預(yù)測(cè)結(jié)果，建立動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型，可以有效提高東亞夏季風(fēng)和季節(jié)降水預(yù)測(cè)準(zhǔn)確率（Fan et al., 2012; Liu and Fan, 2014; 王會(huì)軍等, 2020）。目前，基于年際增量的動(dòng)力和統(tǒng)計(jì)相結(jié)合預(yù)測(cè)方法已經(jīng)廣泛地應(yīng)用于中國(guó)站點(diǎn)夏季季節(jié)平均降水、冬季月際—季節(jié)尺度氣溫、我國(guó)登陸臺(tái)風(fēng)頻數(shù)和冬季北大西洋濤動(dòng)等氣候預(yù)測(cè)，并在實(shí)時(shí)業(yè)務(wù)預(yù)測(cè)中取得較好預(yù)測(cè)效果（劉穎等, 2013;Fan et al., 2016; Tian and Fan, 2019; Dai and Fan,2020, 2021; Liu et al., 2021）。最近，Ma et al.（2022）利用多個(gè)氣候動(dòng)力模式集合平均，研制了中國(guó)東北地區(qū)夏季月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型，也顯示較好預(yù)測(cè)效能。

基于此，本文采用年際增量和場(chǎng)信息耦合型預(yù)測(cè)方法，基于中國(guó)夏季（6、7、8 月）逐月降水變化規(guī)律和機(jī)制，結(jié)合CFSv2 高預(yù)測(cè)效能和前期具有物理機(jī)制的預(yù)測(cè)因子，首先研制中國(guó)夏季月際尺度站點(diǎn)降水（2 月份起報(bào)）動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型；之后，結(jié)合月際尺度預(yù)測(cè)，開展中國(guó)夏季季節(jié)尺度降水的預(yù)測(cè)，期望能進(jìn)一步改進(jìn)中國(guó)夏季月際—季節(jié)尺度降水的預(yù)測(cè)準(zhǔn)確度。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)

本文所使用的中國(guó)夏季（6、7、8 月）降水觀測(cè)資料來(lái)源于中國(guó)氣象局國(guó)家氣候中心公開并能實(shí)時(shí)更新的160 站月平均降水?dāng)?shù)據(jù)集。月平均海表面溫度數(shù)據(jù)來(lái)源于美國(guó)國(guó)家海洋大氣局（NOAA）氣候診斷中心提供的海溫?cái)U(kuò)展重建資料，水平分辨率為2.0°×2.0°（Huang et al., 2017）。海冰密集度（SIC）數(shù)據(jù)來(lái)自NOAA 發(fā)布的最優(yōu)內(nèi)插海表海冰數(shù)據(jù)集，其分辨率為1.0°×1.0°（Reynolds et al.,2002）。CFSv2 預(yù)測(cè)的月平均海表面溫度資料分辨率為1.0°×1.0°的經(jīng)緯度格點(diǎn)。CFSv2 月平均數(shù)據(jù)自1982 年更新至今，其中1982～2010 年為回報(bào)試驗(yàn)結(jié)果，2011 年之后的數(shù)據(jù)為實(shí)時(shí)預(yù)測(cè)結(jié)果（Saha et al., 2014）。考 慮 每 年3 月 初 需 要 提 交6～8 月實(shí)時(shí)汛期預(yù)測(cè)結(jié)果，本文選取CFSv2 2 月起報(bào)的預(yù)測(cè)結(jié)果和2 月及之前的觀測(cè)數(shù)據(jù)。

2.2 方法

本文的研究時(shí)段為1983～2022 年夏季。首先分別針對(duì)中國(guó)夏季月際尺度（6、7、8 月）降水距平百分率，在選取具有明確物理機(jī)制預(yù)測(cè)因子的基礎(chǔ)上，基于年際增量的場(chǎng)信息耦合型降尺度預(yù)測(cè)方法，構(gòu)建中國(guó)夏季不同月份降水單因子預(yù)測(cè)模型，并進(jìn)行誤差訂正，提高單因子模型預(yù)測(cè)準(zhǔn)確率。之后，采用多因子擇優(yōu)集合，進(jìn)而構(gòu)建動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型并檢驗(yàn)。具體實(shí)施方法介紹如下：

2.2.1 年際增量預(yù)測(cè)方法

本文所建立模型的預(yù)測(cè)量為降水距平百分率的年際增量，其定義為當(dāng)年的距平百分率與前一年值之差。基于降水量的年際增量建立的中國(guó)夏季降水預(yù)測(cè)模型在中國(guó)汛期業(yè)務(wù)預(yù)測(cè)顯示較好預(yù)測(cè)效能（Dai and Fan, 2021），但考慮到通過(guò)降水量的年際增量預(yù)測(cè)值回算降水距平百分率會(huì)產(chǎn)生誤差，而降水距平百分率的年際增量與降水量的年際增量具有一致的年際變化（如公式1 所示），因此，本文采用降水距平百分率的年際增量作為預(yù)測(cè)量建立預(yù)測(cè)模型。

其中， Δ(yPA)i表示第i年降水距平百分率的年際增量， Δyi表示第i年降水量的年際增量，yˉ表示降水量多年平均值。

2.2.2 場(chǎng)信息耦合型降尺度預(yù)測(cè)方法

場(chǎng)信息耦合型降尺度預(yù)測(cè)方法主要分為以下三個(gè)步驟：（1）利用經(jīng)驗(yàn)正交函數(shù)（EOF）分解保留預(yù)測(cè)因子和預(yù)測(cè)量前90%解釋方差的模態(tài)進(jìn)行場(chǎng)重建以達(dá)到濾波的目的；（2）利用奇異值分解（SVD）方法提取預(yù)測(cè)因子和預(yù)測(cè)量空間場(chǎng)的最優(yōu)耦合變化型；（3）針對(duì)提取的最優(yōu)耦合變化型所對(duì)應(yīng)的時(shí)間系數(shù)，利用線性回歸方法建立降尺度預(yù)測(cè)模型（Chu et al., 2008; 劉穎等, 2013）。這樣的降尺度預(yù)測(cè)方法可以獲得大尺度環(huán)流系統(tǒng)與局地氣象要素間穩(wěn)定的統(tǒng)計(jì)關(guān)系，使建立的降尺度預(yù)測(cè)模型更穩(wěn)定。目前，場(chǎng)信息耦合型降尺度預(yù)測(cè)方法已經(jīng)被應(yīng)用到我國(guó)季節(jié)尺度的氣溫、降水、干旱和春季歐亞植被的預(yù)測(cè)中，并取得較好的預(yù)測(cè)效果（Liu and Fan, 2014; Liu and Ren, 2015; Ji and Fan,2019a; Dai and Fan, 2020, 2021; Tian and Fan,2022）。

2.2.3 預(yù)測(cè)因子關(guān)鍵區(qū)選取方法

為獲得預(yù)測(cè)場(chǎng)和預(yù)測(cè)因子更多耦合信息，本文基于中國(guó)夏季月際尺度降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)選取預(yù)測(cè)因子的關(guān)鍵區(qū)，具體方法如下：

（1）計(jì)算月降水距平百分率年際增量EOF前90%解釋方差的N個(gè)模態(tài)中第i個(gè)時(shí)間系數(shù)（PCi）與預(yù)測(cè)因子各個(gè)格點(diǎn)之間時(shí)間相關(guān)系數(shù)（TCC）；

（2）將TCC 通過(guò)90%置信水平顯著性檢驗(yàn)的格點(diǎn)賦值為第i個(gè)EOF 模態(tài)對(duì)應(yīng)的解釋方差，未通過(guò)90%置信水平的格點(diǎn)賦值為0，獲得第i個(gè)模態(tài)對(duì)應(yīng)的解釋方差空間場(chǎng)；

（3）將預(yù)測(cè)因子前N個(gè)模態(tài)對(duì)應(yīng)的解釋方差場(chǎng)累積求和，選取累積解釋方差的高值區(qū)域作為預(yù)測(cè)因子的關(guān)鍵區(qū)。累積解釋方差高值區(qū)表示預(yù)測(cè)因子對(duì)中國(guó)月際尺度降水多個(gè)主模態(tài)影響最為顯著的區(qū)域。

2.2.4 模型的誤差訂正

本文采用了SVD 訂正方法來(lái)訂正所構(gòu)建預(yù)測(cè)模型的偏差。SVD 訂正方法利用觀測(cè)場(chǎng)和預(yù)測(cè)場(chǎng)的協(xié)同關(guān)系，針對(duì)不同模態(tài)及其對(duì)應(yīng)的時(shí)間系數(shù)來(lái)進(jìn)行訂正，且直接利用觀測(cè)模態(tài)代替預(yù)測(cè)模態(tài)的訂正 效 果 最 佳（Feddersen et al., 1999; Kharin and Zwiers, 2001）。由于本文構(gòu)建的降尺度預(yù)測(cè)模型保留了場(chǎng)重建后的降水場(chǎng)前99%的模態(tài)。因此，本文主要針對(duì)降尺度模型預(yù)測(cè)的降水場(chǎng)前99%的模態(tài)，利用SVD 訂正方法進(jìn)行訂正。

2.2.5 多因子模型擇優(yōu)集合方案和模型的檢驗(yàn)

由于不同站點(diǎn)的影響因子存在差異，本文在集合多因子預(yù)測(cè)結(jié)果時(shí)，針對(duì)逐個(gè)站點(diǎn)進(jìn)行擇優(yōu)。利用各站點(diǎn)單因子預(yù)測(cè)模型誤差訂正后回報(bào)結(jié)果的TCC，選取通過(guò)顯著性檢驗(yàn)的模型預(yù)測(cè)結(jié)果的均值作為該站點(diǎn)的回報(bào)結(jié)果。若無(wú)通過(guò)顯著性檢驗(yàn)的單因子模型，則以所有單因子模型的等權(quán)重結(jié)果作為該站點(diǎn)的最終回報(bào)結(jié)果。本文采用剔除一年的交叉檢驗(yàn)方法來(lái)檢驗(yàn)預(yù)測(cè)模型的回報(bào)效能（Michaelsen,1987）。針對(duì)不同因子構(gòu)建的預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，通過(guò)計(jì)算空間距平相關(guān)系數(shù)（ACC）、TCC，并利用Student’ st-檢驗(yàn)判別相關(guān)系數(shù)的顯著性來(lái)檢驗(yàn)降水場(chǎng)的回報(bào)效果。此外，趨勢(shì)異常綜合檢驗(yàn)（PS）評(píng)分也被應(yīng)用于檢驗(yàn)本文所構(gòu)建模型對(duì)中國(guó)夏季月際尺度降水的實(shí)時(shí)預(yù)測(cè)水平。

3 預(yù)測(cè)因子

本文研制的中國(guó)夏季月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型選取前期觀測(cè)的12 月南太平洋中高緯關(guān)鍵區(qū)海溫、1 月北極關(guān)鍵區(qū)海冰和CFSv2 預(yù)測(cè)系統(tǒng)2 月起報(bào)的6、7、8 月關(guān)鍵區(qū)海溫作為預(yù)測(cè)因子。

3.1 12 月南太平洋中高緯關(guān)鍵海溫區(qū)

南半球大氣環(huán)流包括南極濤動(dòng)、澳大利亞高壓、馬斯克林高壓、越赤道氣流等是亞洲季風(fēng)系統(tǒng)的重要成員，對(duì)東亞氣候和氣候預(yù)測(cè)有重要影響（Gao et al., 2003; Nan and Li, 2003; Fan and Wang, 2004;薛峰, 2005; Wang and Fan, 2005, 2007; 范可, 2006;Fan et al., 2008; 劉舸等, 2008; Sun et al., 2009; 孫丹等, 2013; 等等）。圖2 為夏季不同月份降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)與12 月海溫年際增量之間TCC 的累積解釋方差（通過(guò)90%置信水平顯著性檢驗(yàn)）。結(jié)果顯示，12 月南太平洋中高緯關(guān)鍵區(qū)海溫分別與中國(guó)6、7、8 月的降水均存在顯著關(guān)系。其中，影響6 月和7 月中國(guó)降水的海溫關(guān)鍵區(qū)為（30°S～70°S，120°E～60°W），影響8 月降水的海溫關(guān)鍵區(qū)為（20°S～70°S，150°W～60°W；圖2）。當(dāng)12 月（30°S～70°S，120°E～60°W）海溫年際增量呈南北“偶極子”型分布時(shí)，中國(guó)6 月降水華南、西南地區(qū)較前一年偏少，北方地區(qū)較前一年偏多（圖3a、b），且偶極型的海溫年際增量分布與6 月南極濤動(dòng)相關(guān)（圖3c）。進(jìn)一步分析顯示，該區(qū)域海溫年際增量偶極型分布，通過(guò)引起熱帶海洋性大陸對(duì)流，激發(fā)類東亞—太平洋遙相關(guān)，從而影響中國(guó)6月降水（圖3d、e）。南太平洋中高緯關(guān)鍵區(qū)海溫異?？梢詮?2 月持續(xù)到次年2 月，具有較好季節(jié)持續(xù)性。因此，本研究選取以上12 月觀測(cè)海溫場(chǎng)分別作為中國(guó)夏季6、7、8 月降水的預(yù)測(cè)因子之一（P1-SST-Dec）。

圖2 1983～2022 年夏季（a）6 月、（b）7 月和（c）8 月降水距平百分率的年際增量的經(jīng)驗(yàn)正交函數(shù)（EOF）分析前90%解釋方差的模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)與12 月海表溫度年際增量之間TCC 的累積解釋方差（通過(guò)90%置信水平的顯著性檢驗(yàn)），藍(lán)色框?yàn)?、7、8 月降水距平百分率年際增量預(yù)測(cè)因子1（P1-SST-Dec）定義區(qū)域。Fig.2 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of SST (Sea Surface Temperature) in previous December and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis during 1983-2022: (a) June; (b) July; (c) August.The blue boxes indicate the domains of the first predictor (P1-SST-Dec).

圖3 1983～2022 年（a）6 月中國(guó)降水距平百分率的年際增量SVD 第一模態(tài)的空間場(chǎng)；（b）前期12 月南太平洋中高緯地區(qū)海溫年際增量空間分布；（c）12 月南極濤動(dòng)指數(shù)（AAOI）年際增量與12 月海溫年際增量之間的TCC；12 月南太平洋中高緯地區(qū)海溫年際增量SVD 第一模態(tài)時(shí)間系數(shù)回歸的（d）6 月對(duì)外長(zhǎng)波輻射（單位：W m-2）和（e）500 hPa 位勢(shì)高度場(chǎng)（單位：m）的空間分布。打點(diǎn)區(qū)域代表通過(guò)90%置信水平顯著性檢驗(yàn)的區(qū)域。Fig.3 Spatial patterns of (a) the first SVD modes for the PAP-DYs over China in June and (b) the DYs of SST over the extratropical South Pacific in preceding December during 1983-2022.(c) TCCs between DYs of SST and the DYs of AAO (Antarctic oscillation) indices (AAOI) in December.Also shown are regression maps of (d) outgoing longwave radiations (units: W m-2) and (e) geopotential height at 500 hPa (units: m) in June onto the expansion coefficients corresponding to the first SVD mode for SST in December over the mid-high latitudes of the South Pacific.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted.

3.2 1 月北極關(guān)鍵海冰區(qū)

近些年北極海冰快速減少，北極海冰年際變率強(qiáng)度顯著增強(qiáng)（Fan et al., 2018），北極海冰對(duì)東亞氣候的影響也越來(lái)越顯著，北極海冰是東亞氣候預(yù)測(cè)的重要預(yù)測(cè)因子之一（Li and Zeng, 2008; Wu et al., 2009; Gao et al., 2015; Fan et al., 2018; Ji and Fan, 2019b; Tian and Fan, 2022; 等等）。已有研究表明，前期冬春季巴倫支海海冰負(fù)（正）異?？杉ぐl(fā)類歐亞EU 型遙相關(guān)波列，造成夏季我國(guó)長(zhǎng)江流域及其以北大部分地區(qū)降水偏少（多），南方地區(qū)降水偏多（少）（Wang and Guo, 2004; Lin and Li,2018）。Han et al.（2023）研究表明東西伯利亞海海冰年際變率在20 世紀(jì)90 年代之后增強(qiáng)，增強(qiáng)的海冰異常通過(guò)影響局地表面熱通量使得經(jīng)向溫度梯度增加，進(jìn)一步引起北太平洋地區(qū)波—流相互作用增強(qiáng)，使得北太平洋中部異常環(huán)流的增強(qiáng)和西伸，有利于夏季中國(guó)東北地區(qū)的水汽輸送和垂直運(yùn)動(dòng)。因此，東北夏季降水與同期東西伯利亞海冰的正相關(guān)關(guān)系也顯著增強(qiáng)。此外，2020 年春末夏初西伯利亞沿岸海冰偏少也是6～7 月的“暴力超級(jí)梅雨”發(fā)生的原因之一（Chen et al., 2021）。該地區(qū)海冰偏少引起局地對(duì)流層增溫，使得西伯利亞地區(qū)經(jīng)向溫度梯度、緯向風(fēng)和渦動(dòng)動(dòng)量通量減弱，有利于東西伯利亞地區(qū)阻高的維持和發(fā)展，進(jìn)而有利于高緯冷空氣南下，使得梅雨鋒維持并產(chǎn)生極強(qiáng)的降水。前期秋季喀拉海—拉普捷夫海海冰與東亞夏季降水的關(guān)系在90 年代之后也呈現(xiàn)年代際增強(qiáng)。該地區(qū)海冰異常通過(guò)影響歐亞地區(qū)的土壤濕度和雪深，使海冰異常信號(hào)從前期秋季持續(xù)到春季，并影響夏季中國(guó)東北地區(qū)降水（Liu et al., 2020）。而春季波弗特海海冰異常通過(guò)引起夏季北極偶極子異常模態(tài)，影響東亞夏季西風(fēng)急流和歐亞遙相關(guān)型，進(jìn)而影響長(zhǎng)江中下游極端降水頻次，該區(qū)域海冰已被應(yīng)用于長(zhǎng)江中下游夏季極端降水頻次的預(yù)測(cè)，并取得較好預(yù)測(cè)效果（Tian and Fan, 2020）。

基于以上研究，本文對(duì)中國(guó)6、7、8 月降水距平百分率的年際增量EOF 分析的前90%模態(tài)與前期1 月SIC 相關(guān)的累積解釋方差空間場(chǎng)（圖4）進(jìn)行分析，結(jié)果顯示前期1 月北極海冰對(duì)中國(guó)夏季月際尺度降水影響最顯著，且1 月北極海冰與中國(guó)6、7、8 月降水的累積解釋方差高值區(qū)分別位于巴倫支?！＃?9.5°～88.5°N，30.5°～100.5°E）、拉普捷夫海—東西伯利亞海（72.5°～85.5°N，80.5°～179.5°E）和波弗特海（69.5°～86.5°N，111.5°～150.5°W）三個(gè)關(guān)鍵區(qū)。因此，本研究擬將上述三個(gè)北極關(guān)鍵區(qū)SIC 年際增量分別作為中國(guó)6、7、8月降水距平百分率年際增量的預(yù)測(cè)因子（P2-SICJan）。

3.3 CFSv2 預(yù)測(cè)的夏季逐月關(guān)鍵海溫區(qū)

根據(jù)中國(guó)夏季不同月份降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)與觀測(cè)、CFSv2 預(yù)測(cè)（2 月起報(bào)）同期海溫年際增量之間TCC 的累積解釋方差（通過(guò)90%置信水平顯著性檢驗(yàn)，圖5），本文選取了CFSv2 預(yù)測(cè)（2 月起報(bào)）的6 月北太平洋中高緯地區(qū)（40°～60°N，150°E～150°W），7 月赤道中東太平洋地區(qū)（5°S～5°N，180°～80°W）和8 月熱帶西太平洋地區(qū)（10°S～30°N，80°～160°E）的海溫分別作為中國(guó)夏季不同月份降水的同期預(yù)測(cè)因子（P3-SST-CFSv2）。此外，本文評(píng)估了CFSv2 對(duì)夏季逐月海溫的預(yù)測(cè)效能（圖6）。結(jié)果表明，CFSv2 預(yù)測(cè)系統(tǒng)2 月起報(bào)的夏季逐月海溫與觀測(cè)之間的TCC，在所選擇的北太平洋中高緯、赤道中東太平洋以及熱帶西太平洋等區(qū)域，均通過(guò)了90%的置信水平。因此，選取CFSv2 預(yù)測(cè)系統(tǒng)2月起報(bào)的6～8 月關(guān)鍵區(qū)海溫作為中國(guó)夏季月際尺度降水的預(yù)測(cè)因子具有較好的預(yù)測(cè)效能。

圖5 1983～2022 年夏季（a、b）6 月、（c、d）7 月和（e、f）8 月降水距平百分率的年際增量EOF 分析前90%解釋方差的模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)與觀測(cè)（左列）、CFSv2 預(yù)測(cè)（右列，2 月起報(bào)）同期海溫年際增量之間TCC 的累積解釋方差（通過(guò)90%置信水平顯著性檢驗(yàn)），藍(lán)色框?yàn)?、7、8 月降水距平百分率年際增量預(yù)測(cè)因子3（P3-SST-CFSv2）定義區(qū)域。Fig.5 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of simultaneous SST and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis from 1983 to 2022: Observations (left column);CFSv2 (outputs released in February, right column).Panels (a, b), (c, d), and (e, f) represent June, July, and August, respectively.The blue boxes indicate the domains of third predictor (P3-SST-CFSv2).

圖6 1983～2022 年觀測(cè)與CFSv2（2 月起報(bào)）預(yù)測(cè)的（a）6 月、（b）7 月和（c）8 月海表溫度年際增量之間的TCC，打點(diǎn)區(qū)域表示通過(guò)90%置信水平顯著性檢驗(yàn)的區(qū)域。Fig.6 TCCs of DYs of SST in June (a), July (b), and August (c)between observations and CFSv2 outputs in February from 1983 to 2022.Dotted areas indicate statistical significance at the 90% level.

觀測(cè)與CFSv2 預(yù)測(cè)的6 月海溫影響中國(guó)6 月降水最顯著的共同區(qū)域?yàn)楸碧窖笾懈呔暤貐^(qū)（40°N～60°N，150°E～150°W）。當(dāng)該地區(qū)海溫年際增量呈南北向偶極型分布時(shí)（圖7a），一方面通過(guò)影響北太平洋中高緯地區(qū)的低槽和西太平洋副熱帶高壓（圖7e、f），另一方面通過(guò)影響ENSO（圖7d），使得中國(guó)東北地區(qū)6 月降水較去年偏少，華南及江淮大部分地區(qū)降水較前一年偏多（圖7b）。當(dāng)該地區(qū)海溫年際增量呈全場(chǎng)一致型分布時(shí)，通過(guò)局地高壓異常和西太平洋副熱帶高壓異常影響我國(guó)的水汽輸送，使得中國(guó)6 月降水除華南地區(qū)和東北東部地區(qū)外，其余地區(qū)較前一年偏多（圖略）。這與已有研究一致，當(dāng)北太平洋地區(qū)夏季的表層海溫偏低時(shí)，阿留申地區(qū)的大槽加深，西北太平洋副熱帶高壓西伸加強(qiáng)，有利于將西南暖濕氣流輸送到我國(guó)長(zhǎng)江流域，造成長(zhǎng)江流域降水偏多，華南、華北降水偏少（李麗平等, 2010）。而夏季北太平洋中緯度西風(fēng)漂流區(qū)的海溫暖（冷）異常也可通過(guò)激發(fā)歐亞—太平洋型遙相關(guān)（影響鄂霍次克海地區(qū)阻高的建立和維持），使江淮流域、西南及華南地區(qū)降水偏少（偏多），華北北部及東北西部降水偏多（偏少）（朱乾根等, 2000）。

圖7 1983～2022 年（a）6 月北太平洋中高緯地區(qū)海溫年際增量與（b）6 月中國(guó)降水距平百分率的年際增量SVD 第一模態(tài)的空間場(chǎng)及其（c）對(duì)應(yīng)的時(shí)間系數(shù)；6 月北太平洋中高緯地區(qū)海溫SVD 第一模態(tài)時(shí)間系數(shù)回歸的6 月異常（d）海表溫度場(chǎng)（單位：°C）、（e）500 hPa位勢(shì)高度場(chǎng)（單位：m）和（f）850 hPa 水汽通量場(chǎng)（填色；單位：kg m-1 s-1）疊加水平輻散場(chǎng)（矢量箭頭；單位：10-5 kg m-2 s-1）的空間分布。（d-f）中打點(diǎn)代表通過(guò)90%置信水平顯著性檢驗(yàn)的區(qū)域，（f）中矢量場(chǎng)為達(dá)到0.1 顯著性水平的部分。Fig.7 Spatial patterns of (a) the first SVD modes for the DYs of SST over the mid-high latitudes of North Pacific in June and (b) the simultaneous PAP-DYs over China during 1983-2022, (c) also shown are the corresponding normalized expansion coefficients.The regression maps of anomalous(d) SST, (e) geopotential height at 500 hPa, and (f) water vapor transport flux (shading; units: kg m-1 s-1) and horizontal divergence (vectors; units:10-5 kg m-2 s-1) at 850 hPa in June onto the expansion coefficients corresponding to the first SVD mode for SST.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted in (d-f), vectors below the 90% confidence level are not shown in (f).

圖5c-d 顯示，中國(guó)7 月降水的主要影響區(qū)域?yàn)闊釒е袞|太平洋地區(qū)（5°S～5°N，180°～80°W）。已有研究指出，ENSO 可通過(guò)影響赤道太平洋上空的沃克環(huán)流，引起熱帶西太平洋海洋性大陸區(qū)對(duì)流活動(dòng)異常，并激發(fā)菲律賓異常反氣旋，引起西北太平洋副熱帶高壓的位置與強(qiáng)度的變化，進(jìn)而影響我國(guó)夏季降水（Zhang et al., 1999; Wang et al., 2000）。在ENSO 的發(fā)展階段，我國(guó)江淮地區(qū)多雨，華南少雨（Huang and Wu, 1989; 金祖輝和陶詩(shī)言, 1999）。本文選取CFSv2 預(yù)測(cè)系統(tǒng)2 月起報(bào)的7 月熱帶中東太平洋地區(qū)（5°S～5°N，180°～80°W）的海溫作為中國(guó)7 月降水的預(yù)測(cè)因子。

與8 月中國(guó)降水相關(guān)的海溫累積解釋方差高值區(qū)（10°S～30°N，80°～160°E）包含了熱帶西太平洋暖池、海洋性大陸區(qū)域（圖5e-f）。熱帶西太平洋暖池海溫偏高（低），菲律賓附近對(duì)流活動(dòng)增強(qiáng)（減弱），并激發(fā)東亞—太平洋遙相關(guān)，使得西北太平洋副熱帶高壓位置偏北偏東，江淮流域降水偏少，華北、黃河流域降水偏多（Huang and Sun,1992; Lu, 2001）。海洋性大陸區(qū)域是南北半球相互作用的重要區(qū)域，也是聯(lián)系熱帶和亞澳季風(fēng)區(qū)的重要地區(qū)。海洋性大陸地區(qū)的海溫異常與澳大利亞高壓或前期澳洲東側(cè)的海溫異常有關(guān)，該地區(qū)的海溫異?？梢鹁值氐膶?duì)流活動(dòng)異常，并通過(guò)激發(fā)東亞—太平洋遙相關(guān)，影響中國(guó)夏季雨帶的分布（Zhou, 2011）。

基于以上分析本文選取CFSv2 預(yù)測(cè)的6 月北太平洋中高緯地區(qū)（40°N～60°N，150°E～150°W）、7 月熱帶中東太平洋地區(qū)（5°S～5°N，80°～180°W）以及8 月熱帶西太平洋暖池、海洋性大陸區(qū)域（10°S～30°N，80°～160°E）海溫作為預(yù)測(cè)因子。

4 預(yù)測(cè)模型的建立及實(shí)時(shí)預(yù)測(cè)檢驗(yàn)

本文針對(duì)中國(guó)夏季不同月份降水，分別選取了前期12 月南太平洋中高緯海溫、前期1 月北極關(guān)鍵區(qū)海冰和同期CFSv2 預(yù)測(cè)關(guān)鍵區(qū)海溫作為預(yù)測(cè)因子。首先，為了確定不同因子對(duì)中國(guó)夏季月際尺度降水的預(yù)測(cè)效能及主要作用區(qū)域，本文分別建立中國(guó)6、7、8 月降水距平百分率的單因子預(yù)測(cè)模型（M-SST-Dec，M-SIC-Jan 和M-SST-CFSv2），并對(duì)1983～2022 年進(jìn)行交叉回報(bào)檢驗(yàn)（圖8）。其次，采用SVD 誤差訂正方法對(duì)以上單因子模型進(jìn)行誤差訂正，并采取擇優(yōu)集合方案對(duì)單因子預(yù)測(cè)模型進(jìn)行集合，進(jìn)而建立合理權(quán)重的多因子動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型并檢驗(yàn)其預(yù)測(cè)效能（圖9），并開展2020～2022 年中國(guó)6、7、8 月和夏季平均降水的實(shí)時(shí)預(yù)測(cè)檢驗(yàn)（圖10、圖11）。

圖8 基于單個(gè)因子建立的降尺度預(yù)測(cè)模型（a-c）M-SST-Dec、（d-f）M-SIC-Jan 和（g-i）M-SST-CFS 回報(bào)的1983～2022 年6 月（第一行）、7 月（第二行）和8 月（第三行）站點(diǎn)降水距平百分率的年際增量與觀測(cè)值之間TCC 通過(guò)的置信水平，填色站點(diǎn)由淺至深分別代表通過(guò)90%、95%和99%置信水平檢驗(yàn)的站點(diǎn)Fig.8 Confidence levels approved by TCCs of PAP-DYs at stations in June (top line), July (second line), and August (bottom line) between observations and the outputs of single-predictor models from 1983 to 2022: (a-c) M-SST-Dec model; (d-f) M-SIC-Jan model; (g-i) M-SST-CFS model.The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

圖9 （a-d）等權(quán)重集合方案（MME1）和（e-h）擇優(yōu)集合方案（MME2）回報(bào)的1983～2022 年（a、e）6 月、（b、f）7 月、（c、g）8月和（d、h）夏季平均的站點(diǎn)降水距平百分率與觀測(cè)值之間TCC 通過(guò)的置信水平，填色站點(diǎn)由淺至深分別代表通過(guò)90%、95%和99%置信水平檢驗(yàn)的站點(diǎn)。Fig.9 Confidence levels approved by TCCs of PAP-DYs at stations in (a, e) June, (b, f) July, (c, g) August, and (d, h) JJA (June-July-August)between observations and the outputs of different ensemble schemes from 1983 to 2022: Equal-weight ensemble scheme (MME1, left column);optimized ensemble scheme (MME2, right column).The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

圖10 2020～2022 年中國(guó)夏季月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型對(duì)夏季月際和季節(jié)尺度降水的PS 評(píng)分。Fig.10 PS scores of real-time predictions for monthly precipitation in June, July, August and seasonal precipitation averaged with predictions on monthly scale over China during 2020-2022.

圖11 2022 年（a-c）6 月、（d-f）7 月、（g-i）8 月和（j-l）夏季平均的中國(guó)降水距平百分率的空間分布：觀測(cè)結(jié)果（左列）；CFSv2 預(yù)測(cè)結(jié)果（2 月起報(bào)預(yù)測(cè)，中間列）；降尺度模型預(yù)測(cè)（右列）。PS 表示預(yù)測(cè)技巧評(píng)分。Fig.11 The spatial distributions of PAP in (a-c) June, (d-f) July, (g-i) August, and (j-l) JJA 2022 over China: Observations (left column), CFSv2 forecasts initialized from February (middle column), and downscaling model forecasts (right column).PS stands for the prediction skill score.

4.1 交叉檢驗(yàn)回報(bào)結(jié)果

4.1.1 單因子模型

為檢驗(yàn)本文提出的中國(guó)夏季不同月份降水預(yù)測(cè)模型的預(yù)測(cè)效能，首先評(píng)估了針對(duì)每個(gè)月降水距平百分率年際增量建立的單因子模型的交叉檢驗(yàn)回報(bào)結(jié)果（圖8）。模型預(yù)測(cè)效能對(duì)比的主要指標(biāo)是1983～2022 年模型交叉檢驗(yàn)回報(bào)的降水距平百分率的年際增量的TCC 通過(guò)90%置信水平的站點(diǎn)數(shù)百分比和1983～2022 年平均的空間距平相關(guān)系數(shù)（MACC）。計(jì)算結(jié)果顯示，基于不同預(yù)測(cè)因子建立的夏季月際尺度預(yù)測(cè)模型對(duì)中國(guó)降水的預(yù)測(cè)效能存在空間區(qū)域和月際的差異。單因子模型M-SSTDec 預(yù)測(cè)的6、7、8 月中國(guó)160 站降水距平百分率年際增量TCC 通過(guò)90%置信水平顯著性檢驗(yàn)的站點(diǎn)數(shù)占比分別為33%、36%和40%（表1），且站點(diǎn)主要集中在我國(guó)中東部地區(qū)（圖8a-c）；MACC為0.16、0.21 和0.22，均通過(guò)95%置信水平顯著性檢驗(yàn)。且M-SST-Dec 模型對(duì)中國(guó)夏季不同月份降水預(yù)測(cè)效果均優(yōu)于基于1、2 月同關(guān)鍵區(qū)海溫建立的夏季月際尺度降水模型（表略）。M-SIC-Jan預(yù)測(cè)結(jié)果的TCC 通過(guò)90%置信水平檢驗(yàn)的站點(diǎn)數(shù)占比為37%（6 月）、42%（7 月）和36%（8 月），主要集中在長(zhǎng)江流域（圖8d-f），逐月的MACC均通過(guò)95%置信水平檢驗(yàn)。相比于M-SST-Dec 和M-SIC-Jan 的預(yù)測(cè)效能，M-SST-CFSv2 的預(yù)測(cè)效能略低（圖8g-i），TCC 通過(guò)90%置信水平檢驗(yàn)的站點(diǎn)數(shù)占比僅有25%左右，6～8 月的MACC 為0.15、0.16 和0.13，僅通過(guò)90%置信水平檢驗(yàn)。

表1 基于單個(gè)預(yù)測(cè)因子建立的降尺度預(yù)測(cè)模型回報(bào)的1983～2022 年中國(guó)夏季月際尺度降水距平百分率年際增量的交叉檢驗(yàn)結(jié)果Table 1 Cross-validation results of different single-predictor models in summer months during period 1983-2022

為了進(jìn)一步提升中國(guó)北方和中部地區(qū)降水預(yù)測(cè)準(zhǔn)確度，考慮每個(gè)因子的預(yù)測(cè)效能的區(qū)域差異性，本文采用了SVD 誤差訂正方法對(duì)單因子模型預(yù)測(cè)的降水距平百分率年際增量進(jìn)行訂正。1983～2022 年交叉檢驗(yàn)的TCC 和MACC 結(jié)果顯示：訂正后，MSST-Dec 預(yù)測(cè)的TCC 超過(guò)90%置信水平的站點(diǎn)數(shù)占比從35%左右提升至超過(guò)75%，且6～8 月MACC分別從0.16、0.21 和0.22 提升到0.43、0.42 和0.54，均通過(guò)99%置信水平檢驗(yàn)（表1）。訂正后的MSIC-Jan 預(yù)測(cè)模型可進(jìn)一步的提升我國(guó)北方降水的預(yù)測(cè)準(zhǔn)確度，TCC 通過(guò)90%置信水平檢驗(yàn)的站點(diǎn)數(shù)占比從40%左右提升至50%以上，逐月MACC也分別從0.19、0.22 和0.22 提升到0.26、0.27 和0.28，均通過(guò)95%置信水平檢驗(yàn)。SVD 誤差訂正方法對(duì)M-SST-CFSv2 預(yù)測(cè)的中國(guó)6、7 月份降水距平百分率的年際增量改善效果顯著，TCC 通過(guò)90%置信水平檢驗(yàn)的站點(diǎn)數(shù)百分比由25%左右提升到了80%以上，且MACC 由0.15 也提升到0.50 以上。

4.1.2 多因子擇優(yōu)集合方案

為提高預(yù)測(cè)模型的穩(wěn)定性，本文基于以上訂正后的單因子預(yù)測(cè)模型，進(jìn)一步開展多因子集合預(yù)測(cè)，建立中國(guó)夏季160 站點(diǎn)月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型。本文對(duì)比了兩種多因子集合方案，一種是傳統(tǒng)的等權(quán)重集合方案（MME1），另一種是擇優(yōu)集合方案（MME2）。MME2 針對(duì)160 站逐個(gè)站點(diǎn)，選取其TCC 通過(guò)顯著性檢驗(yàn)的單因子模型結(jié)果的均值作為該站點(diǎn)的回報(bào)結(jié)果；若無(wú)通過(guò)顯著性檢驗(yàn)的單因子模型，則以三個(gè)單因子模型的等權(quán)重結(jié)果作為該站點(diǎn)的最終回報(bào)結(jié)果。圖9 所示為兩種集合方案下，1983～2022 年觀測(cè)與多因子模型交叉檢驗(yàn)回報(bào)的中國(guó)夏季月際—季節(jié)尺度160 站降水距平百分率之間的TCC。結(jié)果表明，MME1 方案對(duì)夏季逐月降水預(yù)測(cè)效能整體較好，6 月和7 月TCC 通過(guò)顯著性檢驗(yàn)的站點(diǎn)數(shù)百分比分別為76%和73%，MACC 也均達(dá)到了0.34，通過(guò)99%置信水平檢驗(yàn)，但對(duì)8 月降水的預(yù)測(cè)TCC 通過(guò)90%置信水平檢驗(yàn)的站點(diǎn)數(shù)占比僅占57%，MACC 為0.32（表2）。與MME1 方案相比，MME2 方案對(duì)中國(guó)夏季逐月降水的預(yù)測(cè)準(zhǔn)確率有所提升，TCC通過(guò)顯著性檢驗(yàn)的站點(diǎn)數(shù)占比在6、7 月增加了15%，8 月增加了25%，逐月MACC 均提升到0.39 以上。MME2 方案對(duì)夏季季節(jié)平均降水預(yù)測(cè)效能也優(yōu)于MME1，TCC 通過(guò)顯著性檢驗(yàn)的站點(diǎn)數(shù)百分比從73%提升到88%，MACC 從0.35 提升到0.41。由此可見，MME2 集合方案對(duì)我國(guó)夏季月際—季節(jié)尺度降水的預(yù)測(cè)能力優(yōu)于MME1。

表2 兩種集合方案回報(bào)的1983～2022 年中國(guó)夏季月際—季節(jié)尺度降水距平百分率的交叉檢驗(yàn)結(jié)果Table 2 Cross-validation results of PAP in different summer months and seasonal averaged PAP from 1983 to 2022 for two ensemble averaging schemes

4.2 實(shí)時(shí)預(yù)測(cè)檢驗(yàn)

2020～2022 年連續(xù)三年處于拉尼娜背景下，但海氣過(guò)程復(fù)雜，三年間我國(guó)月際和夏季平均降水形勢(shì)差異極大，給汛期降水的預(yù)測(cè)帶來(lái)新的挑戰(zhàn)。如2020 年6～7 月“超級(jí)暴力梅”、2021 年7 月河南特大暴雨、2022 年長(zhǎng)江流域“汛期反枯”等。因此，本文針對(duì)2020～2022 年夏季月際—季節(jié)尺度降水開展了實(shí)時(shí)預(yù)測(cè)，進(jìn)一步檢驗(yàn)中國(guó)夏季月際—季節(jié)尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型的效能。

圖10 為2020～2022 年中國(guó)夏季月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合實(shí)時(shí)預(yù)測(cè)模型預(yù)測(cè)夏季逐月和季節(jié)平均降水的PS 評(píng)分。模型對(duì)近三年夏季逐月降水總體上展現(xiàn)了較好的預(yù)測(cè)效果，相對(duì)于1997～2016年我國(guó)夏季降水業(yè)務(wù)預(yù)測(cè)平均分66 分，2020 年夏季逐月降水PS 評(píng)分分別為76、72 和80 分；2021年7 月評(píng)分達(dá)到了78 分；2022 年6 月評(píng)分超過(guò)了80 分，7 月評(píng)分為76 分；2020～2022 年6、7、8月逐月降水Ps 平均分為75、75 和70 分。根據(jù)以上月際尺度降水預(yù)測(cè)結(jié)果計(jì)算的2020～2022 年夏季平均降水PS 評(píng)分分別為72、76 和73 分，均高于業(yè)務(wù)預(yù)測(cè)多年平均分。

2022 年中國(guó)夏季降水出現(xiàn)顯著月際變化和極端異常降水。如圖11 顯示，2022 年夏季中國(guó)降水整體呈現(xiàn)“北多南少”的分布，多雨區(qū)位于我國(guó)北方地區(qū)，少雨區(qū)位于長(zhǎng)江及以南流域。2022 年夏季降水的月際差異非常顯著：6 月我國(guó)東北、華北和華南部分地區(qū)降水偏多，長(zhǎng)江流域和中西部地區(qū)降水均偏少（圖11a）；7 月多雨區(qū)在華北和東北部分地區(qū)（圖11b）；8 月少雨區(qū)在西部、江淮、華南、西南地區(qū)，且長(zhǎng)江流域的旱情嚴(yán)重，多雨區(qū)位于我國(guó)北方地區(qū)（圖11c）。CFSv2（2 月起報(bào)）雖然基本預(yù)測(cè)出了2022 年我國(guó)西部地區(qū)降水偏少的狀況，但未能再現(xiàn)我國(guó)中東部地區(qū)“北澇南旱”的降水異常形勢(shì)（圖11b、e、h、l）。相比CFSv2，MME2 方案不僅能較好地預(yù)測(cè)出2022 年夏季我國(guó)西部降水偏少的情況，而且對(duì)6、7 月我國(guó)中東部地區(qū)降水異常分布的預(yù)測(cè)與實(shí)況基本吻合（圖11c、f），Ps 評(píng)分分別可達(dá)80 和76 分。根據(jù)月際尺度降水預(yù)測(cè)結(jié)果，2022 年夏季平均降水PS 評(píng)分也達(dá)到73 分左右。8 月的預(yù)測(cè)結(jié)果也在一定程度上把握了我國(guó)北方地區(qū)降水偏多的異常情況（圖11i）。

5 結(jié)論和討論

極端氣候事件頻發(fā)給次季節(jié)—季節(jié)尺度氣候預(yù)測(cè)帶來(lái)了新的挑戰(zhàn)，其中大幅度月際尺度變化或轉(zhuǎn)折往往被季節(jié)平均尺度掩蓋，也影響季節(jié)尺度預(yù)測(cè)準(zhǔn)確度。因此，亟需考慮月際尺度氣候異常，開展季節(jié)尺度氣候預(yù)測(cè)，進(jìn)而提升月際—季節(jié)平均氣候預(yù)測(cè)準(zhǔn)確度。

本文采用年際增量和場(chǎng)信息耦合型預(yù)測(cè)方法，基于前期觀測(cè)信息和美國(guó)第二代氣候預(yù)測(cè)系統(tǒng)（CFSv2）預(yù)測(cè)結(jié)果，選取前期12 月觀測(cè)的南太平洋中高緯關(guān)鍵區(qū)海溫、1 月北極關(guān)鍵區(qū)SIC 以及CFSv2 預(yù)測(cè)系統(tǒng)2 月起報(bào)的夏季同期關(guān)鍵區(qū)海溫作為月際尺度降水預(yù)測(cè)因子。通過(guò)對(duì)單子因子預(yù)測(cè)模型的改進(jìn)，明確不同因子預(yù)測(cè)效能的區(qū)域差異性，之后采用多因子擇優(yōu)集合方案，研制了中國(guó)夏季月際尺度降水動(dòng)力和統(tǒng)計(jì)結(jié)合的實(shí)時(shí)預(yù)測(cè)模型，開展系統(tǒng)回報(bào)檢驗(yàn)和實(shí)時(shí)預(yù)測(cè)檢驗(yàn)。研究結(jié)果表明，多因子擇優(yōu)集合的動(dòng)力和統(tǒng)計(jì)結(jié)合預(yù)測(cè)模型對(duì)中國(guó)80%以上站點(diǎn)的夏季月際尺度降水具有較高預(yù)測(cè)準(zhǔn)確率，且6、7、8 月逐月MACC 均超過(guò)了0.39，通過(guò)99%置信水平檢驗(yàn)。之后，根據(jù)6、7、8 月際尺度降水預(yù)測(cè)，獲得6～8 月季節(jié)平均預(yù)測(cè)，結(jié)果表明中國(guó)88%站點(diǎn)的夏季季節(jié)平均降水具有較高預(yù)測(cè)準(zhǔn)確率，并在2020～2022 年連續(xù)三年拉尼娜背景下中國(guó)區(qū)域差異迥異的降水預(yù)測(cè)中顯示較好效果。由此，考慮月際尺度預(yù)測(cè)開展季節(jié)平均預(yù)測(cè)，是有效提升月際—季節(jié)平均氣候預(yù)測(cè)的途徑之一。然而，中國(guó)月際尺度氣候預(yù)測(cè)非常困難，未來(lái)還需要深入理解關(guān)鍵?！憽?dú)膺^(guò)程和系統(tǒng)的影響機(jī)制及其可預(yù)測(cè)性。